一种基于深度学习的多用户数据信息检测方法及装置制造方法及图纸

本发明专利技术实施例提供的一种基于深度学习的多用户数据信息检测方法及装置，可以根据已接收到的叠加码字信息，使用预设的条件算法，计算获得各个用户码字信息；将各个用户码字信息作为已训练的神经网络输入，利用已训练的神经网络获得已训练的神经网络输出层的输出结果；本发明专利技术实施例利用深度学习训练权值后的已训练的神经网络，将各个用户的码字条件概率概率作为已训练的神经网络的输入，根据输出结果检测用户的发送的数据信息，计算各个用户的对数比特似然比的过程中，各个用户的码字条件概率都有相应的权值，因此可以提高检测多用户发送的数据信息的准确率。

A multi-user data information detection method and device based on deep learning

The embodiment of the invention provides a method and device for detecting multi-user data information based on depth learning, which can calculate and obtain each user's code-word information according to the received superimposed code-word information by using a preset conditional algorithm, and takes each user's code-word information as the input of a trained neural network and utilizes the trained code-word information. The neural network obtains the output result of the trained output layer of the neural network; the embodiment of the invention uses the trained neural network after in-depth learning and training weights, and takes the codeword conditional probability of each user as the input of the trained neural network, and detects the data information transmitted by the user according to the output result. In the process of calculating the logarithmic bit likelihood ratio of each user, the conditional probability of each user has corresponding weights, so the accuracy of detecting the data information sent by multiple users can be improved.

【技术实现步骤摘要】
一种基于深度学习的多用户数据信息检测方法及装置
本专利技术涉及通信
，特别是涉及一种基于深度学习的多用户数据信息检测方法及装置。
技术介绍
非正交多址(Non-OrthogonalMultipleAccess，NOMA)接入技术是移动通信系统的重要支撑技术之一，可以有效地提高频谱的利用率。在NOMA系统中，各个用户发送的数据信息被映射为多维星座码本中的不同码字，然后将各个用户的码字信息重叠在正交资源块上传输至接收端。接收端在收到接收信号中包含的叠加码字信息后，利用因子图，因子图包括：非正交多址映射的因子图和前向纠错编码的因子图，通过两部分过程得出各个用户发送的数据信息，实现多用户数据信息检测。第一部分：使用消息传递算法(MessagePassingAlgorithm，MPA)在非正交多址映射的因子图中从叠加的码字信息中计算各个用户的所有码字条件概率，然后获得各个用户的比特似然比。具体过程如下：参照图1，非正交多址映射的因子图中包含两类节点，用户节点v1-v6，正交资源块节点f1-f4，用户节点与正交资源块节点连接线称为连边，用户节点与用户一一对应。以v2及f1节点为例，节点f1本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多用户数据信息检测方法，其特征在于，应用于非正交多址(Non‑Orthogonal Multiple Access，NOMA)系统中的接收端，所述方法包括：使用预设的条件算法，从已获得的叠加码字信息中计算得出各个用户的码字信息；所述码字信息包括：码字条件概率；将所述各个用户码字信息作为已训练的神经网络的输入，利用已训练的神经网络获得所述已训练的神经网络输出层的输出结果；所述已训练的神经网络是通过深度学习训练初始神经网络中各层之间预设的权值得到的；所述初始神经网络是根据因子图预先构建的；所述各层之间的权值与因子图中的连边权值一一对应；利用所述已训练的神经网络的输出层的输出结...

【技术特征摘要】
1.一种基于深度学习的多用户数据信息检测方法，其特征在于，应用于非正交多址(Non-OrthogonalMultipleAccess，NOMA)系统中的接收端，所述方法包括：使用预设的条件算法，从已获得的叠加码字信息中计算得出各个用户的码字信息；所述码字信息包括：码字条件概率；将所述各个用户码字信息作为已训练的神经网络的输入，利用已训练的神经网络获得所述已训练的神经网络输出层的输出结果；所述已训练的神经网络是通过深度学习训练初始神经网络中各层之间预设的权值得到的；所述初始神经网络是根据因子图预先构建的；所述各层之间的权值与因子图中的连边权值一一对应；利用所述已训练的神经网络的输出层的输出结果，计算获得各个用户的数据信息；所述输出结果包括：各个用户的对数比特似然比。2.根据权利要求1所述的方法，其特征在于，所述使用预设的条件算法，从已获得的叠加码字信息中计算得出各个用户的码字信息包括：使用对数域条件概率公式及对数域先验概率公式，从已获得的叠加码字信息中，计算获得各个用户的码字条件概率。3.根据权利要求1所述的方法，其特征在于，所述初始神经网络是根据因子图预先构建的，具体步骤包括：根据因子图构建所述初始神经网络的输入层、输出层和隐含层；所述初始神经网络的输入层包括：检测输入层和译码输入层；所述初始神经网络的输出层包括：检测输出层和译码输出层；所述初始检测神经网络隐含层包括：检测隐含层和译码隐含层；将T倍的预设的迭代次数，作为所述初始神经网络包含检测隐含层个数；所述T的取值为2；将非正交多址映射的因子图中各个用户节点与正交资源块节点的连边数量作为所述初始神经网络中各个检测隐含层包含神经元的个数；将用户的调制阶数，作为所述检测隐含层中每个神经元包含子神经元的个数；将正交资源块节点的数量，作为所述检测输入层包含神经元的个数；将所述用户节点的数量与编码码字每个编码码字的比特数的乘积，作为检测输出层包含神经元的个数；根据非正交多址映射的因子图中正交资源块节点与用户节点的连接关系，确定所述检测隐含层、检测输入层及检测输出层之间的连接关系；所述检测隐含层、检测输入层及检测输出层之间的连接关系包括：检测输入层包含的神经元与检测隐含层包含的神经元之间、检测隐含层包含的神经元与相邻检测隐含层之间、检测隐含层与检测输出层之间的连接关系；将第一预设数量，作为所述译码隐含层的个数；将前向纠错编码的因子图中各个校验节点与变量节点的连边数量作为所述译码隐含层包含神经元的个数；将奇数译码隐含层的个数，作为所述译码输出层的个数；将变量节点的个数，作为所述译码输入层及译码输出层包含神经元的个数；根据变量节点及校验节点的连接关系，确定所述译码隐含层、译码输入层及译码输出层之间的连接关系；所述译码隐含层、译码输入层及译码输出层之间的连接关系包括：译码输入层包含的神经元与译码隐含层包含的神经元之间、译码隐含层包含的神经元与相邻译码隐含层之间、译码隐含层与译码输出层之间的连接关系；根据各个用户的比特在前向纠错码中的顺序，确定检测输出层与译码输入层之间连接关系；获得所述初始神经网络；所述初始神经网络包括：确定包含神经元个数及连接关系后的检测输入层、检测输出层、检测隐含层、译码输入层、译码隐含层及译码输出层。4.根据权利要求1所述的方法，其特征在于，所述已训练的神经网络是通过是利用深度学习训练初始神经网络中各层之间预设的权值得到的，具体步骤包括：将各个用户的码字信息作为所述初始神经网络的输入，根据初始神经网络中各层之间预设的权值，利用所述初始神经网络计算获得所述初始神经网络输出层的输出结果；利用梯度下降算法确定损失函数值是否是最小；所述损失函数是初始神经网络输出层输出结果的损失函数；若损失函数值不是最小，则调整初始神经网络中各层之间预设的权值；若损失函数值是最小，则确定初始神经网络中各层之间的权值；将确定权值后的初始神经网络作为已训练的神经网络。5.根据权利要求3所述的方法，其特征在于，所述已训练的神经网络是通过是利用深度学习训练初始神经网络中各层之间预设的权值得到的，具体步骤包括：将各个用户的码字信息作为所述初始神经网络中检测输入层的输入，根据所述初始神经网络中各层之间预设的权值，利用所述初始检测神经网络计算获得检测输出层的输出结果；将所述检测输出层的输出结果，作为所述译码输入层的输入，根据所述初始神经网络中各层之间预设的权值，利用所述初始神经网络计算获得所述译码输出层的输出结果；所述译码输出结果包括：奇数译码隐含层输出结果及译码输出层输出结果；利用梯度下降算法确定损失函数值是否是最小；损失函数是初始神经网络输出层输出结果的损失函数；若损失函数值不是最小，则分别调整偶数检测隐含层、奇数检测隐含层到偶数检测隐含层、译码输入层到译码输出层、译码输入层到偶数译码隐含层及奇数译码隐含层到偶数译码隐含层的权值；若损失函数值是最小时，则确定所述初始神经网络中各层之间的权值；将确定权值后的初始神经网络作为已训练的神经网络。6.根据权利要求1所述的方法，其特征在于，利用所述已训练的神经网络的输出层的输出结果，计算各个用户的数据信息包括：利用各个用户的对数比特似然比，计算各个用户发送的数据信息中的比特；根据各个用户发送的数据信息中的比特及比特顺序，获得各个用户发送的数据信息。7.根据权利要求5所述的方法，其特征在于，所述对数域条件概率公式为：其中，Θf(x)代表对数域条件概率，N0为噪声功率，F表示正交的资源块数，f代表正交资源块节点编号，V代表用户节点个数，v代表用户节点编号也可以代表序号为v的用户，xv表示第v个用户映射在正交资源块节点的码字向量，共有2K种可能取值。代表在因子图中与序号为f的正交资源块节点连接的用户节点的集合，K代表每个用户编码码字的比特数，用户需要K个前向纠错编码比特组成一个信道编码比特向量bv，每个bv映射为一个F维的码字向量xv＝(xv,1,xv,2,…,xv,F)，xv,f表示第v个用户在第f个正交资源块节点上的映射码字，yf表示第f个正交资源块节点上的接收信号，接收信号向量y＝(y1,y2,…,yF)可以表示为：z是服从均值0，方差为N0I的复高斯白噪声向量，I表示单位矩阵，yT,zT表示相应矩阵的转置；所述对数先验概率公式为：其中，Ξ(xv)代表对数先验概率，k代表比...

【专利技术属性】
技术研发人员：牛凯，戴金晟，孙富强，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11